Facultad de ciencias de la Salud

Escuela de Tecnología Médica

2da ESPECIALIDAD EN HEMATOLOGÍA

UNIDAD I
ESPECIALIZACIÓN I

PROCESAMIENTO DE IMÁGENES Y
DESCRIPTORES CELULARES
Dr. Paul Avelino Callupe

Lima – Perú
2020
 PROCESAMIENTO DE IMÁGENES Y DESCRIPTORES CELULARES

1.- OBJETIVO GENERAL:

Brindar a los participantes los conocimientos generales para el procesamiento digital de

imágenes y el uso de los descriptores celulares.

OBJETIVOS ESPECÍFICOS:

• Promover la importancia del procesamiento digital de imágenes para el desarrollo

de investigación.
• Dar a conocer el uso de los principales descriptores morfológicos de tipo
geométricos.
• Identificar los principales descriptores de color para la evaluación morfológica.
• Realizar un taller práctico del uso de software para el desarrollo del procesamiento
de imágenes, así como el cálculo de los descriptores celulares.
• Analizar descriptores que sirvan para el uso del laboratorio de morfología celular.

ASPECTOS GENERALES SOBRE EL PROCESAMIENTO DE IMÁGENES:

Recientemente la utilización de sistemas automatizados de morfología digital permite

facilitar y agilizar el análisis de las muestras sanguíneas. Estos sistemas usan microscopía
motorizada, procesamiento digital de imagen y reconocimiento de patrones para identificar
y hacer una preclasificación de los diferentes tipos de células sanguíneas normales,
mostrándolas en una pantalla para que el analista confirme o reclasifique las células
identificadas. Como estos sistemas tenemos al Easycell, Hemacam, Cellavision DM96 y al
Vision Hema. La microscopía digital ha permitido añadir una evaluación de dimensiones
morfológicas, los programas de imágenes digitales tienen la posibilidad de observar los
cambios cualitativos a nivel morfológico y pasar estos cambios a valores numéricos.
Anteriormente este sistema de análisis digital ha sido utilizado en secciones de corte
histológico y han mostrado cierta capacidad en el reconocimiento de linfocitos, eosinófilos
y otras células. (Bishop, 1998). Aunque la morfología se usa rutinariamente en los
laboratorios con fines diagnósticos, las anormalidades observadas están sujetas a la
interpretación con cierta subjetividad. No hay medidas objetivas estandarizadas que
puedan definir variables citológicas relacionadas con la naturaleza y la severidad de la
enfermedad. Por otra parte, los síntomas iniciales de las leucemias agudas, como por
ejemplo la presencia de fiebre o mal estado general, se presentan también en otras
enfermedades benignas, tales como infecciones virales. Por este motivo, los pacientes con
una leucemia aguda pueden acudir a un centro de atención primaria con carencia de
profesionales expertos en citología hematológica. En estos centros, un sistema de
reconocimiento automático de células linfoides anormales y células blásticas en sangre sería
de gran utilidad diagnóstica. Ello ayudaría a que los pacientes con estas enfermedades
graves fueran referidos, lo antes posible, a un hospital terciario en el que pudieran recibir el
tratamiento adecuado de una forma precoz, ya que en las leucemias agudas el tratamiento
temprano es esencial para la mayor supervivencia de los pacientes.

En este contexto, el uso de sistemas automatizados, que combinan el procesamiento digital

de imágenes del microscopio con algoritmos matemáticos de reconocimiento, puede ser
una gran ayuda para el facultativo para mejorar y acelerar el proceso del análisis
morfológico, añadiendo más precisión y fiabilidad y complementando la interpretación
manual con medidas objetivas. En los últimos años ha ido aumentando significativamente
el interés por este tipo de sistemas, tanto a nivel de la investigación sobre metodologías y
tipos de células (enfermedades) a identificar, como a nivel de desarrollo de productos
comerciales. En laboratorios clínicos avanzados se usan ya actualmente analizadores de
imágenes que, mediante algoritmos, realizan una pre-clasificación automática de las células
normales de la sangre, pero no son capaces todavía de reconocer con precisión suficiente
las células malignas.

ETAPAS DEL PROCESAMIENTO DE IMÁGENES:

Adquisición

La adquisición es el primer proceso donde se obtienen las imágenes. En el análisis de

células, la preparación de un frotis de sangre adecuado y su tinción son esenciales para
generar imágenes de calidad. Es muy importante desarrollar un proceso metodológico
preciso y automatizado para el frotis de sangre de alta calidad en términos de tinción,
ya que es el primer paso en el proceso de adquisición y es esencial para el desarrollo de
algoritmos de posprocesamiento. Para adquirir imágenes de células sanguíneas, el
método más utilizado es mediante microscopía óptica con objetivos de inmersión de 50
a 100 aumentos (500 a 1000 en total), seguido de una cámara digital con sensores CCD
montados en el camino óptico. Sin embargo, los dispositivos de morfología digital
Preprocesamiento

Existen diferentes factores que pueden afectar la calidad de la adquisición de imágenes

derivadas del frotis de sangre: proceso de tinción, variaciones en la iluminación,
distorsiones geométricas ópticas debidas al tipo de lente y microscopio, formato en el
que se almacenan las imágenes (no se recomienda comprimirlas) formatos y, por lo
tanto, pérdida de datos), ruido aleatorio, falta de contraste entre los niveles de tono,
etc. Se han descrito algunas técnicas de preprocesamiento para mejorar la calidad de la
imagen antes del proceso de segmentación, ya sea para seleccionar el área absoluta del
frotis de sangre o para describir las características individuales de cada celda: mejora del
contraste, filtrado espacial y de frecuencia, transformaciones de color, y otras
manipulaciones del histograma.

Segmentación

En esta etapa de segmentación lo que se realiza es separar los diferentes objetos de una
imagen. Dentro del marco de los procesamientos digitales de imágenes, este
procesamiento es esencial ya que una segmentación robusta es fundamental para tener
éxito en las etapas restantes de la extracción y en la clasificación de características. La
segmentación de células de sangre periférica es un procedimiento complejo debido a la
complicada morfología de la célula y los problemas causados por las diferentes
variaciones de la metodología al momento de la tinción.

Extracción o uso de descriptores

En este paso denominado extracción de características, las características del objeto se

obtienen por medio de medidas cuantitativas. Las características se calculan
especialmente para la célula completa, el citoplasma, el núcleo y la región de interés
(ROI) alrededor de la célula. Pueden representar características cualitativas
morfológicas generalmente empleadas por el hematólogo o parámetros cuantitativos
abstractos. Se puede efectuar la clasificación se suele extraer de las imágenes dos
grupos de descriptores: geométricos y patrones de color.
Clasificación o reconocimiento

Este paso consiste en la aplicación de los diferentes algoritmos (supervisados y/o no

supervisados) para así poder reconocer las diferentes celdas de sus características
extraídas. En esta ocasión una vez obtenidas todas las características que describen a
cada una de las células del microscopio se proceded a efectuar la clasificación.

FIG. Etapas del sistema de procesamiento de imágenes

UTILITARIO PARA MANEJO DE PROCESAMIENTO DE IMÁGENES

ImageJ es una plataforma totalmente libre, que combina las dos ideas anteriores,
ofreciendo una gran cantidad de herramientas para manipular y visualizar imágenes,
pero también permite extender el software del procesamiento de imágenes escribiendo
nuevos algoritmos en un lenguaje de programación determinado.

ImageJ fue desarrollado en el U.S. National Institutes of Health (NIH) por Wayne
Rasband en el lenguaje de programación Java (de ahí la «J»). El código de desarrollo es
público, haciendo posible que se pueda modificar y distribuir fácilmente. Por ejemplo,
nuevas herramientas se pueden añadir fácilmente mediante plugins.

De esta forma, ImageJ posee una gran capacidad de personalización, que en ocasiones
puede ser contraproducente, pues no es fácil saber dónde se encuentran, qué
extensiones son buenas, y sobre todo de donde se pueden bajar. Es ahí donde aparece
FIJI (Fiji Is Just ImageJ), el cual es una versión de ImageJ con una gran cantidad de
complementos y herramientas para uso científico.
En este curso se usará FIJI disponible en http://fiji.sc/.

Pasos Prácticos:

✓ Ingresar a: http://fiji.sc/#download
✓ Descargar e instalar en la computadora según sea el caso 64 bits o 32 bits
✓ Luego abrir el programa Fiji.

SEGMENTACIÓN DE IMÁGENES

La segmentación es un proceso en el que la entrada es una imagen y la salida resultante

es también una imagen, pero con las regiones de interés claramente separadas
(segmentadas). Suele ser el último paso en el procesamiento digital de la imagen.
A partir de ahí, pueden extraerse descriptores para cada región en función del objetivo
perseguido. Para ello tenemos el uso del Fiji, en la practica manual se puede realizar la
segmentación usando el ROI MANAGER que sirve para poder administrar las diversas
regiones de interés que se pueden aislar.

Pasos para usar el ROI Manager:

Luego de poder marcar las regiones de interés (ROI), debes presionar: Control T, en caso
contrario se puede ir :

✓ Analyze → Tools → ROI Manager

DESCRIPTORES GEOMÉTRICOS

Descriptores Geométricos

En estos tipos de descriptores, miden las características morfológicas básicas

relacionadas con el tamaño y la forma de las células.

TIPOS DESCRIPTORES GEOMÉTRICOS:

Área: El área es una medida calculada a partir de la suma del número de píxeles de una

determinada región de interés, ya sea del núcleo, de la célula o del citoplasma.

El área puede ser calculada usando el software ImageJ, el comando Analyze >

Measure
 Perímetro: El perímetro define la longitud del contorno externo de la región de interés, es

decir, calcula la suma de las distancias entre píxeles adyacentes del contorno de la región de

interés. El valor numérico para este descriptor viene dado cómo número de píxeles. Se puede

calcular el perímetro, seleccionado en la ventana de Set Measurements la opción Perimeter

Diámetro: El diámetro es aquella línea recta que pasa por el centro y une dos puntos

opuestos, ya sea en una circunferencia, en una curva cerrada o en una superficie esférica. En

Fiji se define como diámetro equivalente se denomina Feret’s diameter, proporciona

los datos de las coordenadas del diámetro (FeretX y FeretY), Las unidades son número

de píxeles.
Ratio Núcleo / Citoplasma.- El ratio núcleo/citoplasma es calculado cómo la relación
entre el área del núcleo y el área del citoplasma de la célula, ambos calculados en forma
de número de píxeles.

Las células cuyo núcleo ocupe la mayor parte del citoplasma presentaran valores altos
para este descriptor geométrico, mientras que otros tipos celulares con núcleos de
menor tamaño y más extensión de citoplasma mostraran valores bajos.

Ratio núcleo/célula.- El ratio núcleo/célula es calculado cómo el cociente entre el área del
núcleo (en píxeles) y el área de la célula (en píxeles).

Circularidad.- La circularidad es una condición de una superficie de un objeto, que se utiliza

para controlar la redondez de las partes o características circulares. Estas características

circulares pueden ser definidas por cilindros, esferas y conos. La circularidad se obtiene de la

relación entre el perímetro al cuadrado y el área de la región de interés a estudiar.

Hairiness: El descriptor hairiness estima las proyecciones del citoplasma, usando la región
periférica de la célula segmentada. Este descriptor geométrico es útil para caracterizar el perfil
citoplasmático. Se obtiene usando un umbral de segmentación a través de la componente
verde de la imagen y el recuento de píxeles de esta región de interés. Descriptor es decisivo
para la detección de las células vellosas muestran un citoplasma de un color azul-grisáceo
suave con proyecciones vellosas en el citoplasma, la detección de otros linfocitos anormales
con proyecciones vellosas en su citoplasma, como por ejemplo las células del linfoma de la
zona marginal esplénico.

DESCRIPTORES DE COLOR Y TEXTURA

Una imagen digital de una célula de sangre periférica está compuesta por una retícula finita rectangular
de píxeles. Cada píxel se identifica por una ubicación específica y contiene un valor de intensidad. La
textura en una imagen digital se define por la uniformidad, la densidad, el tono de los píxeles y sus
relaciones espaciales.

DESCRIPTORES ESTADÍSTICOS DE PRIMER ORDEN

✓ Media
✓ Desviación estándar
✓ Asimetría o skewness
✓ Apuntamiento o kurtosis
✓ Energía
✓ Entropía
DESCRIPTORES ESTADÍSTICOS DE SEGUNDO ORDEN
✓ Probabilidad máxima
✓ Correlación
✓ Energía
✓ Cluster shade

OTROS DESCRIPTORES DE TEXTURA

• Granulométricos

• Wavelet

• Gabor
 TALLER DE CASOS DE DISCUSIÓN

1.- CASO N° 1:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
células de mieloblasto y linfoblasto. Se cuenta con el programa Fiji para la evaluación
cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen mas descriptores geométricos o colorimétricos que aportan en la
diferenciación de mieloblastos y linfoblastos?
• Busque fuentes literarias que respalden sus respuestas técnicas

2.- CASO N° 2

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
células de linfocitos reactivos y linfocitos. Se cuenta con el programa Fiji para la
evaluación cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de linfocito reactivo y linfocito?
• Busque fuentes literarias que respalden sus respuestas técnicas

3.- CASO N° 3:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
células de células plasmática y linfocito reactivo. Se cuenta con el programa Fiji para la
evaluación cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de célula plasmática y linfocito reactivo?
• Busque fuentes literarias que respalden sus respuestas técnicas

4.- CASO N° 4:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad y hairiness
entre la célula Peluda y linfocito. Se cuenta con el programa Fiji para la evaluación
cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de célula peluda y linfocito?
• Busque fuentes literarias que respalden sus respuestas técnicas

5.- CASO N° 5:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre célula
de linfoma ATL (Flower cell) y monocito. Se cuenta con el programa Fiji para la
evaluación cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
 • ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de célula de linfoma ATL (Flower cell) y monocito?
• Busque fuentes literarias que respalden sus respuestas técnicas

6.- CASO N° 6:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
células promonocito y monocitos. Se cuenta con el programa Fiji para la evaluación
cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de linfocito reactivo y linfocito?
• Busque fuentes literarias que respalden sus respuestas técnicas

7.- CASO N° 7:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
células de eritroblasto y mieloblasto. Se cuenta con el programa Fiji para la evaluación
cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de eritroblasto y mieloblasto?
• Busque fuentes literarias que respalden sus respuestas técnicas
8.- CASO N° 8:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
células plasmática y linfocito reactivo. Se cuenta con el programa Fiji para la evaluación
cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de células plasmática y linfocito reactivo?
• Busque fuentes literarias que respalden sus respuestas técnicas

9.- CASO N° 9:

Se desea tener la medición cuantitativa del descriptor geométrico de área, perímetro,

diámetro, relación núcleo/citoplasma, relación núcleo/célula, circularidad entre las
linfocito grande granular y linfocito. Se cuenta con el programa Fiji para la evaluación
cuantitativa.

• ¿Qué diferencias cuantitativas existen entre los descriptores geométricos

mencionados?
• ¿Qué importancia tendrá desarrollar la medición de dichos descriptores en el
desarrollo de diagnóstico morfológico?
• ¿Existen más descriptores geométricos o colorimétricos que aportan en la
diferenciación de células plasmática y linfocito reactivo?
• Busque fuentes literarias que respalden sus respuestas técnicas
 BIBILOGRAFÍA

✓ Bishop, J. (1998). Quantification of tissue eosinophils and lymphocytes in

histologic sections. Modern Pathology , 1247–1251.
✓ Eldar, S. (1998). Computer-assisted image analysis of small cell lymphoma of the
thyroid gland. Comparison of nuclear parameters of small lymphocytes in
lymphomas and Hashimoto’s thyroiditis. Computerized Medical Imaging and
Graphics 22, 479-488.
✓ Gonzalez, R., & Woods, R. (2008). Digital Image Processing. New Jersey, Estados
Unidos: Pearson Prentice Hall.
✓ Hamid Jahanmenhr, S., Roggers, M., Zheng, J., Lai, R., & Wang, C. (2007).
Quantitation of cytological parameters of malignant lymphocytes using
computerized image analysi. INTERNATIONAL JOURNAL OF LABORATORY
HEMATOLOGY, 278-285.
✓ Hutchinson, C., Brereton, M., & Burthem, J. (2005). Digital imaging of
haematological morphology. Clinical Laboratory Haematology, 357-362.
✓ Jurgen A, R. (2015). Interlaboratory Reproducibility of Blood Morphology Using
the Digital Microscop. Journal of Laboratory Automation , 670-675.
✓ Rarís, S. (2017). Análisis De Imágenes Digitales De Células Linfoides De Sangre
Periférica A Partir De Microscopía Óptica. Trabajo de Grado en Ingeniería
Biomédica. Universidad Politécnica de Cataluña, Barcelona, España.